基于CSAPSO-BP神经网络的光纤陀螺温度补偿研究

光纤陀螺是惯导系统的重要组成器件,环境温度变化会造成光纤陀螺的零偏发生漂移,从而降低测量精度。运用传统的BP神经网络进行预测易陷入局部极小值,导致补偿失败。该文采用混沌模拟退火粒子群BP神经网络的光纤陀螺零偏温度补偿模型,优化了网络参数。通过在-40～60℃的升降温实验对模型进行验证,实验结果表明,该温度补偿模型的零偏稳定性比补偿前约有70%的精度提升,与以往BP模型相比,其预测性能和补偿效果更好。     

基于LSTM神经网络的压电执行器位移迟滞建模

该文搭建迟滞测量实验平台,测量一种用于LED晶圆检测压电执行器的迟滞效应,设计了一种基于长短期记忆(LSTM)神经网络的压电迟滞模型,使用时间序列预测法对压电执行器位移迟滞效应建模。将该模型与传统的Prandtl-Ishlinskii(PI)模型进行对比。实验结果表明,神经网络模型具有较好、较广泛的迟滞建模效果,对于正弦波,位移预测精度保证小于2%;对于衰减正弦波,位移预测精度可保证小于3%。较高的模型预测精度为使用压电执行器进行LED晶圆检测提供了依据。     

基于BEMD和KELM的路面病害检测算法

受外界环境以及道路材料本身影响,路面会出现破损。尽管裂缝是路面破损的首要表现形式,但是其他类型病害仍然占重要比重。针对传统路面病害检测算法对常见线性裂缝分类准确度较高但对车辙、松散等复杂病害识别效果一般且适应性较差的问题,提出一种基于二维经验模态分解（BEMD）与核极限学习机（KELM）相结合的复杂路面病害识别方法。该方法首先采用二维经验模态分解对路面病害图像进行筛分,然后结合主成分分析法对分解后得到的固有模态分量进行降维,最后将上述得到的新特征输入到核极限学习机中进行训练。实验结果表明该算法对复杂病害有较高的识别率,其中松散病害识别率为95.6%,车辙病害识别率为92.1%,坑洼病害识别率为96.9%,网状裂缝识别率为97.3%,与传统脉冲耦合卷积神经网络相比,该算法提高了约9.85%。     

基于改进U-Net的低剂量CT图像重建方法

针对低剂量CT图像重建会产生噪声和伪影的问题,在U-Net神经网络基础上引入残差学习和空间注意力机制,在编解码过程中嵌入跳跃连接为上采样增加多尺度信息,使用AAPM公开数据集CT影像进行模型训练和测试。选取峰值信噪比（PSNR）、结构相似性（SSIM）和均方根误差（RMSE）作为图像性能评价指标。在CT重建结果的测试中,与未处理的图像相比,网络模型处理后图像的PSNR、SSIM和RMSE指标平均值分别提升21.699%、2.263%和40.833%。实验结果表明,改进的U-Net神经网络模型能够减少噪声和伪影,保留了更多的纹理细节,对低剂量CT重建图像质量的提高有一定效果。     

基于TW3-C RUS法的骨龄评估方法研究

经典TW3-C RUS (Tanner and Whitehouse 3-Chinese RUS)法将手骨的关键骨骺区域严格划分为9个等级,未充分考虑骨骺发育的连续性,导致骨龄评估存在一定误差。针对该问题,本文提出一种基于TW3-C RUS法的改进骨龄评估方法。采用阈值法的思想,动态选择网络模型输出的前N个等级概率值,并将前N个概率值作为权值计算手骨的加权得分,降低由于手骨单一等级判定引起的误差。针对网络模型冗余问题,采用跨阶段局部网络(cross stage partial network, CSP-Net)轻量化深度残差网络(residual network 50,Resnext50)。实验表明,改进后的方法对男性骨龄评估的平均绝对误差(mean absolute error,MAE)为0.421 4岁,女性MAE为0.412 8岁,相比于经典TW3-C RUS法,骨龄评估准确率有明显提升。轻量化后的网络模型参数量为46.28 MB,相比Resnext50网络模型有明显降低。     

基于transformer自适应特征向量融合的图像分类

针对目前基于transformer的图像分类模型直接应用在小数据集上性能较差的问题,本文提出了transformer自适应特征向量融合网络,该网络在特征提取器中将不同阶段的特征进行融合,减少特征信息丢失的同时获得更多不同感受野下的信息,同时利用最大池化来去除特征中的冗余信息,从而使提取的特征更具有判别性。此外,为了充分利用图像的各级特征信息来进行分类预测,本文将网络各阶段产生的特征向量进行融合,使融合后的特征向量更具有表征能力,从而减少网络对大数据集的依赖,使网络在小数据集中也能获得很好的性能。实验表明,本文提出的 算法在数据集Mini-ImageNet-100、CIFAR-100和ImageNet-1k上的TOP-1准确率分别达到了74.22%、85.86%和81.4%。在没有增加计算量的情况下,在baseline上分别提高了6.0%、3.0%和0.1%,且参数量减少了18.3%。本文代码开源在“https://github.com/xhutongxue/afvf”。     

基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

针对传统卷积神经网络(convolutional neural network, CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架。该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network, Res-GCN)二次分类,得到视网膜血管细化分割结果。该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点。实验分别选用U型网络(U-neural network, U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28%、99.10%和99.04%,Pr分别为87.97%、88.87%和90.25%,证明其具有提升基准网络分割效果的细化能力。     

基于CTCNet对球结膜进行糖尿病视网膜病变分类

糖尿病视网膜病变(diabetic retinopathy, DR)是一种糖尿病性微血管病变,会在球结膜微血管上有所体现,球结膜血管图像的获取比眼底图像更加便捷,但微血管的特征变化微小且难以量化。为了能够对患者进行早期辅助诊断,本文依据球结膜微血管形态与DR的关联,首先对球结膜图像进行预处理,使用限制对比度自适应直方图均衡(contrast limited adaptive histogram equalization, CLAHE)算法进行图像增强,随机处理使数据增强,然后结合卷积神经网络(convolutional neural network, CNN)和Transformer各自的网络优势构建CTCNet,对处理后的球结膜血管图像进行DR分类,分类准确率达到了97.44%,敏感度97.69%,特异性97.11%,精确度97.69%,通过实验对比CNN和Transformer, CTCNet网络性能优于其他模型,能够有效识别DR。     

空中目标自适应分段轨迹样式识别

常规空中目标轨迹识别方法能够识别单一轨迹样式,但对于复杂轨迹样式识别效果差。文中提出一种基于Softmax多分类网络的空中目标自适应分段轨迹识别算法。首先,通过滑窗在时间上遍历整条复杂轨迹序列,在窗内利用设计的拟合方程对窗内轨迹进行拟合,得到方程参数;然后,基于方程参数训练Softmax分类网络模型,完成基于方程参数的窗内轨迹样式识别;最后,考虑到窗内识别错误及其特征,将识别结果进行同类合并,并基于Haar小波重构对识别结果进行修正,消除离散错误识别结果。仿真结果表明：文中所提方法能有效地对复杂轨迹样式进行分段识别。     

基于卷积神经网络的随机因子重采样图像检测

图像重采样检测是图像取证领域的重要任务,其目的是检测图像是否经过重采样操作。现有的基于深度学习的重采样检测方法大多只针对特定的重采样因子进行研究,而较少考虑重采样因子完全随机的情况。本文根据重采样操作中所涉及的插值技术原理设计了一组高效互补的图像预处理结构以避免图像内容的干扰,并通过可变形卷积层和高效通道注意力机制(efficient channel attention, ECA)分别提取和筛选重采样特征,从而有效提高了卷积神经网络整合提取不同重采样因子的重采样特征的能力。实验结果表明,无论对于未压缩的重采样图像还是JPEG压缩后处理的重采样图像,本文方法都可以有效检测,且预测准确率相比现有方法均有较大提升。